Сегодняшняя подборка целиком про Torc Robotics — компанию из группы Daimler, которая строит программную платформу для автономных грузовиков. Все три роли опубликованы совсем недавно, допускают удалённую работу по Канаде и при этом относятся к разным слоям одной и той же системы: инфраструктура машинного обучения, симуляция и генерация данных, а также офлайн-перцепция для автоматической разметки. Ниже — по сути, чтобы было понятно, где здесь платформа, где исследовательская глубина, а где тяжёлая работа с сенсорными конвейерами.

Старший инженер машинного обучения — инфраструктура MLOps Framework в Torc Robotics

Роль базируется в Монреале, но допускает удалённую работу по Канаде. Вилка одна из самых сильных в подборке: 199 200–298 800 канадских долларов в год, сверху обещают бонусы, опционы, пенсионную программу RRSP с матчем 4%, медицину и отпуск.

По сути это не вакансия под одну модель, а под внутреннюю платформу для команд машинного обучения: от раннего замысла и распределённого обучения до реестра моделей, отслеживания происхождения данных и вывода лучшей версии в формат, пригодный для грузовика. В стеке перечислены AWS, Terraform, EKS, Ray, PyTorch, Lightning, Gymnasium, Parquet, PyArrow, Daft, Pandas, LanceDB, MCAP и ROS, а также средства визуализации вроде Tableau, Voxel51 и Rerun. Ждут человека с опытом промышленного машинного обучения, распределённого обучения на Ray, проектирования полного жизненного цикла моделей и работы с открытым кодом; плюсом будут знания reinforcement learning и автономного транспорта уровня L4.

Это очень сильный вариант для инженера, которому интереснее строить не один эксперимент, а фундамент, на котором потом быстро работают многие внутренние команды. Но и ожидания соответствующие: здесь нужен человек, который одинаково уверенно чувствует себя и в инфраструктуре, и в данных, и в практических ограничениях реальной робототехники.

Откликнуться: ссылка

Старший инженер машинного обучения по нейронному рендерингу в Torc Robotics

Эта позиция тоже привязана к Монреалю и удалённой работе по Канаде, но уже заметно ближе к исследовательской части продукта. Диапазон оплаты — 160 800–212 300 долларов США в год, плюс бонус, опционы, матч 401(k) на 6% и полностью оплачиваемая медицинская страховка.

Команда simulation and data generation закрывает хроническую боль автономного вождения: как получить достаточно качественных и разнообразных сценариев для обучения и проверки моделей. В работе заявлены Neural Radiance Fields, 3D Gaussian Splatting, diffusion и flow matching, интеграция всего этого в облачную среду и перевод исследовательских идей в надёжный программный контур для версии AV 3.0. По требованиям это почти гибрид исследователя и инженера: нужен Python, PyTorch, сильная база в компьютерной графике, трёхмерной реконструкции или трёхмерном компьютерном зрении, а кандидатская степень или эквивалентный опыт будут большим плюсом. Дополнительно ценятся CUDA, публикации на CVPR, ICCV, NeurIPS или ICLR и опыт в робототехническом восприятии.

Вакансия выглядит особенно интересно для тех, кто хочет не просто читать про передовые методы, а встраивать их в промышленную систему симуляции для автономных грузовиков. Красивое исследовательское резюме само по себе тут вряд ли хватит: нужен человек, который умеет доводить сложные идеи до надёжного рабочего состояния.

Откликнуться: ссылка

Старший инженер машинного обучения по офлайн-перцепции в Torc Robotics

Третья роль снова про Монреаль и удалённую работу по Канаде, а по деньгам совпадает с платформенной вакансией: 199 200–298 800 канадских долларов в год, плюс бонусы, опционы, RRSP с матчем 4%, медицина, транспортная субсидия для Монреаля и щедрый отпуск.

Здесь фокус на команде pseudo-labeling и всей цепочке автоматической разметки данных с камер, лидаров и радаров. Нужно проектировать и разворачивать модули детекции, трекинга и объединения сигналов для облачных сервисов, измерять качество автолейблинга, курировать подготовку больших датасетов и задавать стандарты для моделей и их вывода в работу. По требованиям ждут не просто хорошего разработчика на Python, а специалиста с опытом active learning и pseudo-labeling, а также минимум в двух направлениях из списка: двумерная и трёхмерная детекция, трекинг, объединение сенсоров, семантическая сегментация, SLAM и BEV. Из платформенных инструментов отдельно названы PyTorch, Lightning, Ray, MLflow или W&B, PyArrow, Daft, Pandas, Docker и GitHub Actions.

Это роль для инженера, которому нравится тяжёлая прикладная работа на стыке данных, перцепции и эксплуатационной дисциплины. Сильная сторона вакансии — реальный масштаб и прямое влияние на качество сенсорных конвейеров; возможный минус — довольно узкая специализация, если вам ближе более универсальные роли в прикладном ИИ.

Откликнуться: ссылка